CN116879753A - 一种基于大数据的电池寿命预测方法 - Google Patents
一种基于大数据的电池寿命预测方法 Download PDFInfo
- Publication number
- CN116879753A CN116879753A CN202310740300.2A CN202310740300A CN116879753A CN 116879753 A CN116879753 A CN 116879753A CN 202310740300 A CN202310740300 A CN 202310740300A CN 116879753 A CN116879753 A CN 116879753A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- battery life
- cycle
- representing
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000005611 electricity Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 230000001351 cycling effect Effects 0.000 claims 1
- 239000013598 vector Substances 0.000 claims 1
- 238000013135 deep learning Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 7
- 238000007500 overflow downdraw method Methods 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Secondary Cells (AREA)
Abstract
本发明属于深度学习领域,具体涉及一种基于大数据的电池寿命预测方法,包括:采用循环电池容量损失与归一化方法对电池进行充电‑放电循环,得到电池容量损失,对电池的实际容量进行估计,得到电池数据;采用循环电池残余寿命分析方法计算电池数据多维度特征之间的相关性特征;将特征输入到Bi‑LSTM模型中,得到电池寿命特征表示;使用XGboost模型对电池寿命特征表示进行加权,并采用基于多维度特征的电池寿命预测模型对多个XGboost预测模型进行融合,得到最优的电池寿命预测结果;本发明采用循环电池残余寿命分析方法考虑电池的多维度特征,更全面地评估电池的寿命。
Description
技术领域
本发明属于深度学习领域,具体涉及一种基于大数据的电池寿命预测方法。
背景技术
随着电动汽车、移动智能终端等设备的普及,电池寿命的预测和管理越来越重要。电池寿命的预测和管理不仅可以帮助用户更好地使用移动智能终端,同时也可以减少电池的损耗和浪费,降低环境污染。此外,大数据技术的应用不仅可以提高电池寿命预测的准确性,还可以帮助企业进行电池生产和销售的管理。企业可以通过对电池生产和销售过程中的数据进行分析,了解电池的性能和寿命状况,从而对电池的生产和销售进行调整和优化,提高电池的质量和市场竞争力。传统的电池寿命预测方法常常只考虑单一的电池特征,比如电池电压、电流、温度等,无法全面准确地反映电池的寿命。而随着大数据技术的发展,如何通过从电池容量损失、充放电循环次数、环境温度、电池型号等多维度特征入手,进行更加精确的电池寿命预测是目前亟待解决的问题。
发明内容
为解决以上现有技术存在的问题,本发明提出了一种基于大数据的电池寿命预测方法,该方法包括:
S1:获取待预测的电池,采用循环电池容量损失与归一化方法对电池进行充电-放电循环,得到电池容量损失;根据电池容量损失对电池的实际容量进行估计,并对估计结果进行归一化处理,得到电池数据;
S2:采用循环电池残余寿命分析方法计算电池数据多维度特征之间的相关性,并筛选出对电池寿命影响的强特征;
S3:将强特征输入到Bi-LSTM模型中,得到电池寿命特征表示;
S4:使用XGboost模型对电池寿命特征表示进行加权,得到电池寿命预测结果;
S5:采用基于多维度特征的电池寿命预测模型对多个XGboost预测模型进行融合,得到最优的电池寿命预测结果;
S6:根据最优的电池寿命预测结果对电池进行标记更换。
本发明的有益效果:
通过使用循环电池容量损失与归一化方法(CCLN)可以更准确地估计电池的实际容量,因为电池在循环过程中会出现容量损失,这种损失会对电池的使用寿命产生影响;通过对电池的循环容量损失进行计算,并根据残余电量对实际容量进行估计,可以更准确地了解电池的真实容量情况;同时,对原始电池数据进行归一化处理,可以消除不同电池之间的差异性,避免特定电池数据的影响,从而提高预测模型的通用性和稳定性。
采用循环电池残余寿命分析方法(CCRA),考虑电池的多维度特征,可以更全面地评估电池的寿命;CCRA通过分析电池的多维度特征之间的相关性,可以找出对电池寿命影响较大的强特征,从而提高模型的准确性。
通过使用基于多维度特征的电池寿命预测模型融合方法(MBLFM)进行模型融合,能够更精确地预测电池寿命;能够综合多个预测模型的预测结果来得到最优结果;不同的预测模型可能会有不同的优缺点,使用融合方法可以弥补单一模型的不足,提高预测的准确性和鲁棒性;同时,使用融合方法还可以减少因为单个模型的误差而带来的不确定性,提高预测的置信度和可靠性。
附图说明
图1为本发明的整体流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
一种基于大数据的电池寿命预测方法,如图1所示,该方法包括:
S1:使用循环电池容量损失与归一化方法(Cycle Capacity Loss andNormalization,CCLN)对电池充电-放电循环进行容量损失计算,根据残余电量对实际容量进行估计,并将原始电池数据进行归一化处理;
S2:使用循环电池残余寿命分析方法(Cycle Capacity Remaining Analysis,CCRA)计算电池数据的多维度特征之间的相关性,综合筛选出对电池寿命的影响大的强特征;
S3:基于Bi-LSTM模型,结合S2中所得到的电池数据的多维度特征,进行模型训练,从而提取电池寿命的特征表示;
S4:使用XGboost模型对Bi-LSTM提取的特征进行加权,进而对电池寿命进行预测;
S5:使用基于多维度特征的电池寿命预测模型(Multi-dimensional BatteryLife Prediction Model Fusion Method,MBLFM)对多个XGboost预测模型进行融合来得到最优结果;
S6:根据最优的电池寿命预测结果对电池进行标记更换。
基于大数据的电池寿命预测方法通过收集大量的电池运行数据,这种方法具有数据驱动、自动化、准确性高等优点,可以实现对大规模电池数据的快速分析和预测。
在本实施例中,通过循环电池容量损失与归一化方法(Cycle Capacity Loss andNormalization,CCLN)对电池充电-放电循环进行容量损失计算包括:
对于第i次充电-放电循环,容量损失可以表示为:
其中,Cnom为电池的原始容量,ni为第i次循环的充电-放电次数,为第i个循环中第j次充电时的电量/>为第i次循环中第j次放电时的电量。容量损失ΔCi表示为电池的实际容量和原始容量之间的差异。
电池的实际容量Creal可以表示为:
其中,ΔCi表示第i次充电-放电循环的容量损失,δ表示电池在充电-放电循环结束后残余的电量。
根据残余电量对实际容量进行估计,并将原始电池数据进行归一化处理,包括:
残余电量的影响可以通过对充电-放电循环末尾的电量取平均值来近似估计,即:
其中,和/>分别是第i次循环末尾和开始时的电量的平均值,wi是给第i次循环分配的权重。为了使得重要的循环对预测结果有更大的贡献,我们可以根据循环的重要性来分配权重。
一种权重分配方式,包括:
其中,ni是第i次循环中的数据点数,n是总的循环数,α是一个调整系数。
归一化后的数据Xi,t可以表示为:
其中,di,t为第i次充电-放电循环中时刻t的原始数据,∈为避免除以零的平滑因子。将实际容量加上平滑因子可以避免数据归一化时出现除以零的情况。
通过循环电池残余寿命分析方法(Cycle Capacity Remaining Analysis,CCRA)计算电池数据的多维度特征之间的相关性,包括:
步骤1:计算每个循环周期结束时的电池容量残余值cres和该循环周期的容量损失值closs:
其中,是第i次循环周期开始时的电池可用能量,/>是该周期结束时的电池可用能量,ni是该周期的循环次数,Ij和Vj分别是第j次充电时的电流和电压,ηj是该次充电的充电效率。
步骤2:计算出每个循环周期结束时的电池容量残余值cres的梯度值:
其中,表示第i次循环周期结束时的电池容量残余梯度值。
步骤3:据梯度值和容量损失值,计算出每个循环周期的电池残余寿命值crem:
其中,表示第i次循环周期的电池残余寿命值。
在本实施例中,综合筛选出对电池寿命的影响大的强特征包括:根据电池残余寿命值进行特征筛选,选择前m个重要的特征,其中m为设定的特征数量。特征筛选公式为:
其中,第i次循环周期的电池残余寿命值为第i个特征的重要性得分为fi,第i个特征在样本中的取值为xij,第j个样本的标签为yj,样本总数为n,/>表示第i个特征在所有样本中的平均值。
在本实施例中,采用Bi-LSTM模型对强特征进行处理的过程包括:
步骤1:对Bi-LSTM模型进行训练,其训练的过程包括:
ht=f(W[xt,ht-1]+b)
其中,xt表示时间步t的输入数据,ht-1表示时间步t-1的隐藏状态,W和b为模型参数,f为激活函数。
步骤2:采用训练后的Bi-LSTM模型对强特征进行多维度特征融合,其公式为:
其中,m为特征的数量,fi为第i个特征的非线性变换函数,Wi为第i个特征的权重,xt表示时间步t的输入数据,ht-1表示时间步t-1的隐藏状态,f为激活函数。
步骤3:根据融合后的特征提取电池寿命特征表示,其公式为:
zt=g(ht)
其中,g为特征表示的提取函数,ht为时间步t的隐藏状态,zt为电池寿命特征表示。
在本实施例中,使用XGboost模型对电池寿命特征表示进行加权包括:
S41:对XGBoost模型进行训练,其训练公式为:
其中,θ表示模型参数,n表示样本数,K表示弱分类器的个数,fk表示第k个弱分类器,是损失函数,Ω(fk)是正则化项。
S42:根据训练后的XGBoost模型对电池寿命特征表示进行加权,其加权公式为:
其中,表示最终的预测结果,WK表示第k个弱分类器的权重,fk(x)表示第k个弱分类器对样本x的预测结果。
S43:根据加权结果对电池寿命进行预测。其公式为:
其中,表示电池的预测寿命,α表示权重系数,LBi-LSTM表示由Bi-LSTM模型提取的特征表示。最终的预测结果是将Bi-LSTM模型提取的特征表示和XGboost模型的预测结果加权得到的。
使用基于多维度特征的电池寿命预测模型融合方法(Multi-dimensionalBattery Life Prediction Model Fusion Method,MBLFM)对多个XGboost预测模型进行融合来得到最优结果,包括:
模型训练公式:
其中,Θ表示模型参数,L表示损失函数,yi和xi分别表示第i个样本的真实标签和特征向量,FM(xi;Θ)表示使用模型FM(xi;Θ)对样本i进行预测的输出。
模型融合公式:
其中,FStack(xi)表示使用Stacking方法融合后的模型对样本i进行预测的输出,Fj(xi)表示第j个基础模型对样本i进行预测的输出,ωj表示第j个基础模型的权重,m表示基础模型的数量。
模型优化公式:
其中,表示Stacking模型的目标函数,yi和xi分别表示第i个样本的真实标签和特征向量,Fstack(xi)表示使用Stacking方法融合后的模型对样本i进行预测的输出,λ表示正则化参数,||ωj||2表示第j个基础模型的权重的平方和。
以上所举实施例,对本发明的目的、技术方案和优点进行了进一步的详细说明,所应理解的是,以上所举实施例仅为本发明的优选实施方式而已,并不用以限制本发明,凡在本发明的精神和原则之内对本发明所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于大数据的电池寿命预测方法,其特征在于,包括:
S1:获取待预测的电池,采用循环电池容量损失与归一化方法对电池进行充电-放电循环,得到电池容量损失;根据电池容量损失对电池的实际容量进行估计,并对估计结果进行归一化处理,得到电池数据;
S2:采用循环电池残余寿命分析方法计算电池数据多维度特征之间的相关性,并筛选出对电池寿命影响的强特征;
S3:将强特征输入到Bi-LSTM模型中,得到电池寿命特征表示;
S4:使用XGboost模型对电池寿命特征表示进行加权,得到电池寿命预测结果;
S5:采用基于多维度特征的电池寿命预测模型对多个XGboost预测模型进行融合,得到最优的电池寿命预测结果;
S6:根据最优的电池寿命预测结果对电池进行标记更换。
2.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,采用循环电池容量损失与归一化方法对电池进行充电-放电循环包括:
对于第i次充电-放电循环,容量损失为:
其中,Cnom为电池的原始容量,ni为第i次循环的充电-放电次数,为第i个循环中第j次充电时的电量/>为第i次循环中第j次放电时的电量。容量损失ΔCi表示为电池的实际容量和原始容量之间的差异。
3.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,对电池的实际容量进行估计包括:
电池的实际容量Creal为:
其中,ΔCi表示第i次充电-放电循环的容量损失,δ表示电池在充电-放电循环结束后残余的电量。
4.根据权利要求3所述的一种基于大数据的电池寿命预测方法,其特征在于,电池在充电-放电循环结束后残余的电量包括通过对充电-放电循环末尾的电量取平均值来近似估计,其表达式为:
其中,和/>分别是第i次循环末尾和开始时的电量的平均值,wi是给第i次循环分配的权重。
5.根据权利要求4所述的一种基于大数据的电池寿命预测方法,其特征在于,循环分配权重的表达式为:
其中,ni是第i次循环中的数据点数,n是总的循环数,α是一个调整系数。
6.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,采用循环电池残余寿命分析方法计算电池数据多维度特征之间的相关性包括:
步骤1:计算每个循环周期结束时的电池容量残余值cres和该循环周期的容量损失值closs;
步骤2:计算出每个循环周期结束时的电池容量残余值cres的梯度值;
步骤3:根据梯度值和容量损失值计算出每个循环周期的电池残余寿命值crem。
7.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,筛选出对电池寿命影响的强特征的公式为:
其中,第i次循环周期的电池残余寿命值为第i个特征的重要性得分为fi,第i个特征在样本中的取值为xij,第j个样本的标签为yj,样本总数为n,/>表示第i个特征在所有样本中的平均值。
8.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,使用XGboost模型对电池寿命特征表示进行加权的过程包括:
XGboost模型对电池寿命特征表示进行处理,其处理公式为:
其中,θ表示模型参数,n表示样本数,K表示弱分类器的个数,fk表示第k个弱分类器,是损失函数,Ω(fk)是正则化项;
对XGboost模型输出结果进行加权,其加权的公式为:
其中,表示最终的预测结果,WK表示第k个弱分类器的权重,fk(x)表示第k个弱分类器对样本x的预测结果;
根据加权结果预测电池寿命,其中电池预测公式为:
其中,表示电池的预测寿命,Θ表示权重系数,LBi-LSTM表示由Bi-LSTM模型提取的特征表示。
9.根据权利要求1所述的一种基于大数据的电池寿命预测方法,其特征在于,采用基于多维度特征的电池寿命预测模型融合方法对多个XGboost预测模型进行融合包括:
模型训练公式:
其中,Θ表示权重参数,L表示损失函数,yi和xi分别表示第i个样本的真实标签和特征向量,f(xi;Θ)表示使用模型f(x;Θ)对样本i进行预测的输出;
模型融合公式:
其中,FStack(xi)表示使用Stacking方法融合后的模型对样本i进行预测的输出,Fj(xi)表示第j个基础模型对样本i进行预测的输出,ωj表示第j个基础模型的权重,m表示基础模型的数量;
模型优化公式:
其中,表示Stacking模型的目标函数,yi和xi分别表示第i个样本的真实标签和特征向量,Fstack(xi)表示使用Stacking方法融合后的模型对样本i进行预测的输出,λ表示正则化参数,∣∣ωj∣∣2表示第j个基础模型的权重的平方和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740300.2A CN116879753A (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的电池寿命预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310740300.2A CN116879753A (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的电池寿命预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116879753A true CN116879753A (zh) | 2023-10-13 |
Family
ID=88261287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310740300.2A Pending CN116879753A (zh) | 2023-06-21 | 2023-06-21 | 一种基于大数据的电池寿命预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116879753A (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003014829A (ja) * | 2001-06-27 | 2003-01-15 | Yuasa Corp | 二次電池の寿命判定装置、寿命判定方法、及び、寿命判定プログラム |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN111880099A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种储能电站站内电池单体寿命预测方法及系统 |
CN113093020A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
CN114706006A (zh) * | 2021-11-15 | 2022-07-05 | 南京东博智慧能源研究院有限公司 | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 |
CN114839538A (zh) * | 2022-04-26 | 2022-08-02 | 北京工商大学 | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 |
CN115308603A (zh) * | 2022-07-13 | 2022-11-08 | 中国长江三峡集团有限公司 | 基于多维度特征和机器学习的电池寿命预测方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
US11527786B1 (en) * | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN115856641A (zh) * | 2022-11-10 | 2023-03-28 | 章鱼博士智能技术(上海)有限公司 | 一种电池剩余充电时间预测方法、装置及电子设备 |
CN115994441A (zh) * | 2022-10-27 | 2023-04-21 | 重庆大学 | 基于机理信息的大数据云平台在线电池寿命预测方法 |
-
2023
- 2023-06-21 CN CN202310740300.2A patent/CN116879753A/zh active Pending
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003014829A (ja) * | 2001-06-27 | 2003-01-15 | Yuasa Corp | 二次電池の寿命判定装置、寿命判定方法、及び、寿命判定プログラム |
US20150349385A1 (en) * | 2014-04-01 | 2015-12-03 | Medtronic, Inc. | Method and System for Predicting Useful Life of a Rechargeable Battery |
CN111880099A (zh) * | 2020-06-30 | 2020-11-03 | 国网浙江省电力有限公司电力科学研究院 | 一种储能电站站内电池单体寿命预测方法及系统 |
CN113093020A (zh) * | 2021-04-02 | 2021-07-09 | 中国矿业大学 | 基于lstm神经网络预测锂离子电池剩余使用寿命方法 |
CN113761751A (zh) * | 2021-09-14 | 2021-12-07 | 上海交通大学 | 基于温度加速因子的锂离子电池剩余寿命预测方法及系统 |
CN114706006A (zh) * | 2021-11-15 | 2022-07-05 | 南京东博智慧能源研究院有限公司 | 一种基于XGBoost-LSTM优化模型的电动汽车锂电池剩余寿命预测方法 |
CN113985294A (zh) * | 2021-12-29 | 2022-01-28 | 山东大学 | 一种电池剩余寿命的预估方法及装置 |
US11527786B1 (en) * | 2022-03-28 | 2022-12-13 | Eatron Technologies Ltd. | Systems and methods for predicting remaining useful life in batteries and assets |
CN114839538A (zh) * | 2022-04-26 | 2022-08-02 | 北京工商大学 | 一种提取锂离子电池退化特征用于估计剩余寿命的方法 |
CN115308603A (zh) * | 2022-07-13 | 2022-11-08 | 中国长江三峡集团有限公司 | 基于多维度特征和机器学习的电池寿命预测方法 |
CN115358347A (zh) * | 2022-09-30 | 2022-11-18 | 山西虚拟现实产业技术研究院有限公司 | 一种针对不同子系统下智能电表的剩余寿命预测方法 |
CN115994441A (zh) * | 2022-10-27 | 2023-04-21 | 重庆大学 | 基于机理信息的大数据云平台在线电池寿命预测方法 |
CN115856641A (zh) * | 2022-11-10 | 2023-03-28 | 章鱼博士智能技术(上海)有限公司 | 一种电池剩余充电时间预测方法、装置及电子设备 |
Non-Patent Citations (10)
Title |
---|
刘星阁: "富锂锰基氧化物/硅氧碳电池循环容量衰减机制研究", CNKI博士学位论文全文库 * |
姚芳;张楠;黄凯;: "锂离子电池状态估算与寿命预测综述", 电源学报, no. 03 * |
张晓东等: "基于多特征融合的航空发动机剩余寿命预测", 计算机系统应用 * |
施文骏: "基于数据驱动的电动汽车锂电池寿命预测方法研究", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 * |
曾子明;万品玉;: "基于双层注意力和Bi-LSTM的公共安全事件微博情感分析", 情报科学, no. 06 * |
李放等: "基于大数据的动力锂电池可靠性关键技术研究综述", 储能科学与技术 * |
焦自权;范兴明;张鑫;罗奕;刘阳升;: "基于改进粒子滤波算法的锂离子电池状态跟踪与剩余使用寿命预测方法", 电工技术学报, no. 18 * |
王其钰;王朔;周格;张杰男;郑杰允;禹习谦;李泓;: "锂电池失效分析与研究进展", 物理学报, no. 12 * |
王竹晴;郭阳明;徐聪;: "基于SAE-VMD的锂离子电池健康因子提取方法", 西北工业大学学报, no. 04 * |
田晟;吕清;: "动力电池动态老化模型的研究与仿真", 广西师范大学学报(自然科学版), no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN112083337B (zh) | 一种面向预测性运维的动力电池健康预测方法 | |
CN112067998A (zh) | 一种基于深度神经网络的锂离子电池荷电状态估计方法 | |
CN113391213B (zh) | 一种基于电池组一致性演变的电池微故障诊断方法 | |
CN113109715B (zh) | 基于特征选择和支持向量回归的电池健康状况预测方法 | |
CN116068399A (zh) | 基于特征选择和时序注意力的锂电池健康状态估计方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN109346787B (zh) | 一种电动汽车动力电池自适应优化充电方法 | |
CN112305441A (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN113484774A (zh) | 一种基于温度校准和神经网络的锂电池组容量估计方法 | |
CN115980584A (zh) | 基于多特征融合lstm网络的锂电池rul估计方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
Wang et al. | Online state of health estimation for lithium-ion batteries based on a dual self-attention multivariate time series prediction network | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN113657030A (zh) | 一种基于高斯过程回归的锂电池剩余使用寿命预测方法 | |
CN113466710A (zh) | 含新能源受端电网中储能电池的soc与soh协同估算方法 | |
CN116449218B (zh) | 一种锂电池健康状态的估计方法 | |
CN112580211A (zh) | 基于sa和ann算法的铅酸蓄电池soh估计方法 | |
Wang et al. | A novel capacity estimation method for li-ion battery cell by applying ensemble learning to extremely sparse significant points | |
CN116879753A (zh) | 一种基于大数据的电池寿命预测方法 | |
CN116819372A (zh) | 一种神经网络计算储能电池健康状态的方法 | |
CN114280491B (zh) | 一种基于主动学习的退役电池剩余容量估计方法 | |
CN115329277A (zh) | 一种退运动力镍氢电池的soh预测方法 | |
CN115236521A (zh) | 基于半监督协同训练框架的锂离子电池健康状态估计方法 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |